重排序不能直接用sorted()，因为需融合用户行为、上下文特征和原始相关性等多维信号，仅按score排序会丢失关键信息并引发空值或类型错误。
重排序为什么不能直接用 sorted()？
因为搜索结果重排序不是简单按分数降序，而是要融合用户行为、上下文特征和原始相关性。直接调用 sorted(results, key=lambda x: x.score) 会丢弃 query embedding、user history、item metadata 这些关键信号，导致个性化失效。
常见错误现象：ValueError: max() arg is an empty sequence —— 源于未对空列表或 None 特征做兜底；TypeError: unsupported operand type(s) for +: 'float' and 'NoneType' —— 多路打分未做缺失值处理。
- 必须先对每个结果提取统一维度的特征向量（如
[query_sim, user_click_rate, freshness_score]） - 权重不能硬编码，建议用
sklearn.linear_model.LinearRegression或轻量级xgboost.Booster在离线样本上拟合 - 线上推理时，避免实时调用模型 predict——应预计算 score 并存入缓存，用
redis.hgetall加载
如何用 PyTorch 实现可微重排序层？
当需要端到端联合训练（比如把重排序嵌入检索模型末尾），就得用可导的排序近似，而不是 argsort 这种不可导操作。
核心思路是用 torch.softmax + torch.log_softmax 构造 soft ranking loss，或直接用 pytorch_ranking 库的 ApproxNDCGLoss。
- 输入是 batch 维度的 logits（shape:
[B, N]），N 是单次返回结果数（如 20） - 不要用
torch.sort得到 rank 后再算 loss——梯度无法回传 - 推荐用
pytorch_ranking.losses.ApproxNDCGLoss，它内部用 Plackett-Luce 分布近似排序概率，loss 可导且收敛稳定 - 注意 label 必须是 float 类型（如 [3.0, 1.0, 0.0, 0.0]），不能是 int，否则
torch.nn.functional.cross_entropy会报错
线上服务怎么避免重排序延迟飙升？
重排序模块一旦引入模型推理或复杂特征计算，很容易从毫秒级变成百毫秒级，拖垮整体 P99 延迟。
关键不是“要不要优化”，而是“在哪做、做多少”。真实场景中，95% 的请求只需轻量规则兜底，只有高价值用户才走完整模型链路。
- 用
user_id % 100 控制 5% 流量走模型重排，其余走 <code>score * (1 + 0.3 * click_ratio)规则 - 特征缓存必须带 TTL：用户历史点击率用
redis.setex('user:123:ctr', 3600, 0.42)，避免反复查库 - 禁止在重排序函数里调用外部 HTTP 接口——所有依赖必须提前注入，比如把 user profile 作为参数传入，而非在函数内
requests.get - Python 多进程下注意
torch.set_num_threads(1)，否则 OpenMP 线程争抢会导致 CPU 利用率虚高
为什么重排序后指标反而下降？
最常被忽略的是位置偏差（position bias）没校正。原始搜索结果的 CTR 高，不等于重排后依然高——用户更习惯点前两名，强行把低相关但高时效的内容顶到第一位，反而降低点击率。
解决办法不是关掉重排，而是加 position-aware loss 或 post-hoc debias。
- 训练时，在 label 上乘一个
position_bias_weight = 1 / log2(rank + 1)（rank 从 0 开始） - 上线后，用
abtest对照组隔离：A 组用原始排序，B 组用重排，但两组都记录 position 和 click，用inverse propensity weighting修正评估偏差 - 警惕“相关性提升但转化率下降”——说明重排序过度优化了 query-item 匹配度，却忽略了用户当前意图（比如用户搜“iPhone 15 降价”，你推“iPhone 16 发布”，匹配分高但意图错位）
重排序真正难的不是模型结构，而是特征一致性、延迟控制和偏差归因。上线前务必跑一遍 offline replay：用线上日志重放 query，对比重排前后各位置的曝光/点击分布，否则很容易把 bad case 当 success。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
